机构名称：
¥ 2.0
摘要：近年来，领域感知人工智能越来越多地被采用，以加速各种应用中的分子设计，包括药物设计和发现。物理信息机器学习和推理、软件工程、高端硬件开发和计算基础设施等领域的最新进展为构建可扩展且可解释的人工智能分子发现系统提供了机会。这可以通过反馈分析、数据集成来改进设计假设，从而为引入端到端自动化化合物发现和优化提供基础，并实现更智能的化学空间搜索。几种最先进的机器学习架构主要独立用于预测小分子的性质、它们的高通量合成和筛选，迭代识别和优化主要治疗候选药物。然而，这种深度学习和机器学习方法也带来了相当大的概念、技术、可扩展性和端到端误差量化挑战，以及对当前人工智能炒作构建自动化工具的怀疑。为此，在闭环中协同智能地使用这些单个组件以及基于量子物理的强大分子表示和数据生成工具，对于加速治疗设计以批判性地分析其更广泛应用的机遇和挑战具有巨大的希望。本文旨在确定每个组件所取得的最新技术和突破，并讨论如何整合这种自主的人工智能和机器学习工作流程，从根本上加速可以通过实验迭代验证的蛋白质靶标或基于疾病模型的探针设计。总之，这可以显著缩短任何新型人畜共患传播事件发生后端到端治疗发现和优化的时间。我们的文章为医学、计算化学和生物学、分析化学和机器学习社区在精准医疗和药物发现中实践自主分子设计提供了指南。
自主分子设计的人工智能
主要关键词
相关文件推荐
